शोरबी पी
डीप लर्निंग एल्गोरिदम जटिल प्रतिनिधित्व को स्वचालित रूप से निकालने के लिए बहुत अधिक मात्रा में अप्रशिक्षित डेटा का उपयोग करते हैं। ये एल्गोरिदम मुख्य रूप से आर्टिफिशियल इंटेलिजेंस (AI) के क्षेत्र से प्रेरित हैं, जिसका समग्र लक्ष्य मानव मस्तिष्क की देखने, विश्लेषण करने, सीखने और निर्णय लेने की क्षमता का अनुकरण करना है, विशेष रूप से अत्यंत जटिल समस्याओं के लिए। इन जटिल चुनौतियों से संबंधित कार्य डीप लर्निंग एल्गोरिदम के पीछे एक प्रमुख प्रेरणा रहा है जो मानव मस्तिष्क के पदानुक्रमित सीखने के दृष्टिकोण का अनुकरण करने का प्रयास करता है। निर्णय वृक्ष, समर्थन वेक्टर मशीन और केस-आधारित तर्क जैसे उथले सीखने के आर्किटेक्चर का समर्थन करने वाले मॉडल इनपुट कॉर्पस में जटिल संरचनाओं और संबंधों से उपयोगी जानकारी निकालने का प्रयास करते समय कम पड़ सकते हैं। इसके विपरीत, डीप लर्निंग आर्किटेक्चर में गैर-स्थानीय और वैश्विक तरीकों से सामान्यीकरण करने की क्षमता है, जो डेटा के भीतर तत्काल पड़ोसियों से परे सीखने के पैटर्न और संबंध उत्पन्न करते हैं। डीप लर्निंग वास्तव में AI की ओर एक महत्वपूर्ण कदम है। यह न केवल डेटा के जटिल प्रतिनिधित्व प्रदान करता है जो AI कार्यों के लिए उपयुक्त हैं बल्कि मशीनों को मानव ज्ञान से स्वतंत्र भी बनाता है जो AI का अंतिम लक्ष्य है। यह मानवीय हस्तक्षेप के बिना अप्रशिक्षित डेटा से सीधे प्रतिनिधित्व निकालता है।